首都机场跑道安全预警平台建设与应用

面向“四型机场”的建设需求,本文依托首都机场西跑道大修工程,构建了首都机场跑道安全预警平台,详细介绍了该平台的系统架构与施工方法。该平台可对道面的自身结构状态(板底脱空状态、板底接触状态、道面振动场)、运行状态(抗滑风险、轮迹分布、道面表面温度场)进行监测,并通过将监测数据与系统平台高度集成,实现数据的自定义查询展示、道面状况的科学评价与跑道运行风险的实时预警。该平台在首都机场的实践应用效果良好,可为跑道运行、维护等提供辅助决策信息,为跑道的日常管理运维工作带来便利。     

基于用户的细粒度可控群体感知模型

综合分析了国内外群体感知机制的研究现状,提出了一种基于用户的细粒度可控的群体感知模型.该模型基于多成员组成的有机群组结构和事件处理机制,通过对用户的角色和任务分解来计算协作感知强度,构建高效的群组感知网络,避免产生和发送无效的感知信息.模型对授权用户的感知行为有良好的支持,同时还支持感知信息的订阅/撤销,对用户的感知信息提供过滤机制.     

基于惯性/激光测距/视觉里程计组合的高空场景尺度误差估计方法

惯性/视觉感知信息融合导航定位技术是目前实现无人机不依赖卫星自主导航的最有效手段。但对于面向高空场景的大型无人机,惯性器件误差与视觉里程计尺度误差耦合且特征平面化导致可观测性下降。针对这一问题,提出了利用惯性/激光测距/视觉里程计组合实现尺度误差估计的方法。通过开展误差模型建立、激光测量点与图像中位置匹配、无人机平飞机动下系统可观测性分析等关键技术研究,实现了高空场景下尺度误差的精确估计。经过300m高度机载试验数据验证,算法精度优于1.5%D,对卫星拒止条件下高空无人机自主导航具有重要意义。     

融合CNN-Transformer的红外弱小目标检测方法

针对远距离红外目标探测技术中存在的弱小目标特征信息提取困难、局部背景噪声干扰强导致检测算法虚警率和漏检率偏高的问题,提出了融合CNN-Transformer的单帧红外弱小目标检测算法。针对已有方法在提取红外弱小目标特征信息时感受野受限且易受到局部噪声干扰的问题,对Swin Transformer中的窗口自注意力计算模块进行改进,设计了基于可分离卷积的局部感知增强模块,兼顾对全局信息和局部信息的提取,提升骨干网络对弱小目标空间分布信息的提取能力。针对小目标特征难以在深层网络中保留的问题,设计了自下而上的多尺度特征融合模块,在不同层级的特征图之间利用注意力机制确保小目标的低层特征信息能够在高层特征图中得以保留。在公开数据集NUAA-SIRST上进行了测试,验证了本文所提算法相比已有算法取得了更佳的检测效果,同时能够兼顾对检测精度和召回率的优化。     

考虑样本不平衡的X光安检图像违禁品分类方法

X光安检图像违禁品分类被广泛应用于协助维护航空和运输安全。针对X光安检图像中违禁品尺度不一、存在困难样本及旅客行李安检固有的正负样本不均衡等问题，提出一种端到端的考虑样本不平衡的X光安检图像违禁品分类方法。采用多尺度特征提取网络捕获尺度不一的多类型违禁品特征，通过特征融合模块提升模型对图像边缘和纹理特征的表达能力，基于代价敏感思想设计损失函数，解决数据集不平衡问题，并提高困难样本分类精准度。在公开数据集SIXray上构建的子集实验结果表明：所提方法相较于端到端分类模型，平均AP指标值提升了4.5%，特别是对剪刀等难分类样本，AP指标值都有显著的提升效果。     

一种无人机自主避障与目标追踪方法

针对无人机自主避障与目标追踪问题，以深度Q网络(DQN)算法为基础，提出一种多经验池深度Q网络(MP DQN)算法，使无人机避障与追踪的成功率和算法的收敛性得到优化。更进一步，赋予无人机环境感知能力，并在奖励函数中设计了方向奖惩函数，提升了无人机对环境的泛化能力以及算法的整体性能。仿真结果表明，相较于DQN和双重DQN(DDQN)算法，MP DQN算法具有更快的收敛速度、更短的追踪路径和更强的环境适应性。     

多尺度特征和注意力融合的生成对抗壁画修复

针对现有深度学习图像修复算法修复壁画时，存在特征提取不足及细节重构丢失等问题，提出了一种多尺度特征和注意力融合的生成对抗壁画修复深度学习模型。设计多尺度特征金字塔网络提取壁画中不同尺度的特征信息，增强特征关联性；采用自注意力机制及特征融合模块构建多尺度特征生成器，以获取丰富的上下文信息，提升网络的修复能力；引入最小化对抗损失与均方误差促进判别器的残差反馈，从而结合不同尺度的特征信息完成壁画修复。通过对真实敦煌壁画数字化修复的实验结果表明，所提算法能够有效保护壁画图像的边缘和纹理等重要特征信息，并且主观视觉效果及客观评价指标均优于比较算法。     

基于多任务辅助学习特征的瞳孔中心检测

眼动跟踪技术在航空领域极具潜力，其作为关键的信息获取和人机交互手段，可用于精确的目标瞄准、飞行员状态监测，对飞行安全和作战精准意义重大。而瞳孔中心检测作为核心技术，决定了眼动追踪系统的鲁棒性和准确性，本文提出一种基于多任务辅助学习特征的瞳孔中心检测算法，模拟人类视觉系统的多任务辅助学习特性，引入多任务模块，实现从粗到精的瞳孔中心检测，并通过试验验证了本文方法的有效性和先进性，从而提高了眼动跟踪的精度和准确性，为航空领域的各项任务和操作提供了更精确、高效和安全的手段。     

基于布尔感知模型的N段有向覆盖与 K重全向覆盖

针对无线传感器网络节点的布尔感知模型，在满足覆盖要求的条件下，文章对N段有向感知中邻近段之间等概率跳变或以恒定角速度ω扫描2种情况，分别给出传感器节点工作在有向感知模型下的分段数Ⅳ与全向模型下的覆盖重数K之间的关系表达式。之后，进一步对节点以恒定角速度∞扫描，考虑时间积累的条件下，给出了时间m、分段数N与覆盖重数K的表达式。通过以上研究，可以将有向感知模型的覆盖问题转化为求取全向感知模型下的覆盖重数问题。     

条件生成对抗网络的翼型反设计方法

针对变体飞行器实时控制翼型形状的需求，提出了基于深度学习的翼型反设计方法，利用多层感知机搭建了由生成器与判别器组成的条件生成对抗网络。生成器从带有随机噪声的气动参数中提取内在特征，习得特征到翼型的映射关系；判别器则将生成器产生的翼型或真实翼型与前述气动参数混合作为输入，输出该翼型为符合指定气动条件的真实翼型的概率。为了优化网络模型，研究并分析了噪声尺寸、超参数及网络结构对模型收敛性能的影响。训练好的网络模型即可根据给定的期望气动参数，快速生成配套的翼型。测试结果表明预测翼型与真实翼型的均方根误差的平均值为0.17%,耗时仅为23 ms,大大提高了设计精度与效率；并且在有噪声干扰情况下依旧保持良好的设计性能，增强了翼型设计模型的鲁棒性。研究成果可以应用于变体飞行器自适应在线最优气动构型控制。